Tekoälytyökalut parantavat diagnostiikkaa ja ennusteita vähävaraisten terveydenhuollon tukena
Duke-NUS Medical Schoolin tutkijat ovat mukauttaneet tekoälymalleja diagnostiikan ja potilasennusteiden parantamiseksi resursseiltaan rajoitetuilla alueilla. Tavoitteena on parantaa hoidon saatavuutta ja päätöksenteon tarkkuutta.
Singaporessa, 27. tammikuuta 2026 – Duke-NUS Medical Schoolin ja sen yhteistyökumppanien tutkimus osoittaa, kuinka tekoäly voi parantaa terveydenhuoltoa haasteellisissa olosuhteissa. Tutkijat ovat onnistuneet mukauttamaan kehittyneen tekoälymallin ennustamaan neurologista toipumista sydänpysähdyksen jälkeen potilailla vähävaraisessa terveydenhuollon ympäristössä.
Julkaisussa npj Digital Medicine kuvattu lähestymistapa hyödyntää siirto-oppimista. Tämä edistynyt tekoälytekniikka mahdollistaa suurilla datajoukoilla koulutettujen mallien soveltamisen uusiin ympäristöihin pienemmällä datamäärällä. Menetelmä on erityisen merkityksellinen matalan ja keskitulotason maissa, joissa datan kerääminen on vaikeaa. Japanissa kehitetyllä mallilla ennustettiin alun perin 46 918 potilaan toipumista, ja se mukautettiin Vietnamin 243 potilaan aineistoon.
Mukautettu malli paransi merkittävästi tarkkuutta, erottaen korkean ja matalan riskin potilaat toisistaan noin 80 prosentin tarkkuudella. Alkuperäinen malli ylsi vain noin 46 prosentin tarkkuuteen Vietnamissa. Associate Professor Liu Nan Duke-NUS:sta korosti, että siirto-oppiminen voi alentaa kustannuksia, lyhentää kehitysaikaa ja laajentaa tekoälyn hyötyjä resursseiltaan rajallisille terveydenhuoltojärjestelmille.
Tekoälyn potentiaali ulottuu myös muihin sovelluksiin. Toisessa Duke-NUS:n ja University College Londonin (UCL) yhteistyössä julkaistussa tutkimuksessa (Nature Health) tarkasteltiin suuria kielimalleja (LLM) globaalin terveyden edistämisessä. LLM:t voivat parantaa hoidon saatavuutta, diagnostiikkaa ja kliinistä päätöksentekoa alueilla, joilla erikoislääkäreistä on pulaa. Esimerkkejä ovat raskausneuvontachatbotit ja malariaa tunnistavat mobiilisovellukset.
Tutkijat kuitenkin totesivat, että tekoälykehitys on edelleen keskittynyt korkean tulotason maihin. Vaikka monet hyödyntävät tekoälytyökaluja, matalan ja keskitulotason maissa on edelleen esteitä, kuten puutteellinen infrastruktuuri ja asiantuntemus. Lisäksi tarvitaan selkeämpiä sääntelykehyksiä tekoälyn turvallisen ja eettisen käyttöönoton varmistamiseksi. Duke-NUS:n johtama ryhmä ehdottaakin kansainvälisen konsortion perustamista ohjaamaan tekoälyn sääntelyä terveydenhuollossa.